R-MBO：多代理模型方法中偏好融入多目标贝叶斯优化的方法
机器学习
2022-04-29 v1 人工智能
机器学习
概率论
摘要
许多现实世界的多目标优化问题依赖于计算代价高昂的函数评估。多目标贝叶斯优化（BO）可用于缓解寻找近似帕累托最优解集的计算时间。在许多现实问题中，决策者对各目标函数具有某些偏好。将偏好融入多目标 BO 的一种方法是使用标量化函数并在其上构建单一代理模型（单代理模型方法）。该方法有两个主要局限。首先，标量化函数与目标函数的适应度地形可能并不相似。其次，该方法假设标量化函数分布为高斯分布，从而可使用获取函数的闭式表达，例如期望改进。我们通过在各目标函数上构建独立的代理模型（多代理模型方法）克服了这些局限，并证明标量化函数的分布并非高斯。我们使用广义值分布近似该分布。我们提出了一种先验多代理模型方法，将期望的目标函数值（或参考点）作为决策者在多目标 BO 中的偏好融入。在基准与真实世界优化问题上与现有单代理模型方法的结果对比显示了所提方法的潜力。
引用
@article{arxiv.2204.13166,
title = {R-MBO: A Multi-surrogate Approach for Preference Incorporation in Multi-objective Bayesian Optimisation},
author = {Tinkle Chugh},
journal= {arXiv preprint arXiv:2204.13166},
year = {2022}
}